1.基于模拟退火蚁群算法的路径规划，其特征在于，所述的路径规划方法是在传统蚁群算法的基础上加入模拟退火算法从而改变其更新机制，再加入增熵策略以保证更多的迭代，通过增加迭代次数来寻找最优路径。
2.根据权利要求1所述传统蚁群算法蚁群算法(Ant Colony Algorithm,)是意大利学者Dorigo M等人于90年代创立的，是一种用来在图中搜索优化路径的机率型算法，用传统蚁群算法解决路径规划问题，依据蚂蚁在觅食过程中会在走过的路径上留下信息素，所走的路径越短，留下的信息素就越多，蚂蚁就越倾向于选择该路径，所以最优路径上的信息素会越来越多，这样形成一个正反馈机制，促使整个群体找到最优路径。模拟蚂蚁群体智能的人工蚁群算法的特点是分布计算、信息正反馈和启发式搜索，且易于与其他算法结合因此被广泛地应用到有约束的优化问题中。
3.根据权利要求1所述的模拟退火算法是在本世纪80年代初被提出的,想法来源于固体退火原理,将固体加温至充分高，再让其徐徐冷却,加温时,固体内部粒子随温升变为无序状,内能增大,而徐徐冷却时粒子渐趋有序,在每个温度都达到平衡态,最后在常温时达到基态,内能减为最小。根据Metropolis准则,粒子在温度T时趋于平衡的概率为e-ΔE/(KT),其中E为温度T时的内能,ΔE为其改变量,K为玻尔兹曼常数。蚁群算法中加入模拟退火算法，将内能模拟为目标路径，将温度演化成一个控制函数Tc，由初始解和控制函数数初始值t0开始，对蚁群算法所得路径重复“产生新路径，计算目标路径差，接受或舍弃”的更新操作，并逐步衰减Tc的值。
4.根据权利1所述基于模拟退火蚁群算法的路径规划首先将m个蚂蚁放在起点g1处，每个蚂蚁按照转移概率公式进行下一步转移，转移过程中根据传感器实时探测周围的环境而避开障碍物，将其所走过的结点加入禁忌表，直到到达终点。当m个蚂蚁都到达终点时，完成一轮搜索，这一过程可称为寻优过程，在这一过程中Tc的值成线性增长。完成一轮寻优之后取得的路径解集称为初始解集。
5.根据权利1所述采用模拟退火机制由初始解集生成更新集，逐一计算初始解集内的各个蚂蚁的解，根据模拟退火机制决定初始解集内的解是否加入更新集。
6.根据权利1所述，对生成的更新集内各路径上的信息素进行更新。
7.根据权利1所述在完成一轮迭代与信息素的更新后，对控制函数衰减，
完成一轮更新后得到一条最优路径，这一过程可视为在Tc衰减过程中达到基态。
为了进一步确保找到最优路径，本发明采用增熵策略，即给Tc设置一个[Tmax,Tmin]的范围，当Tc＜Tmin时，Tc自动上升至Tmax，重新进行路径更新，这一过程称为增熵过程。本发明中设定了多次增熵,也就是通过多次更新路径来避免局部最优路径，增熵次数记为H,最大增熵次数记为Hmax，Hmax次增熵后一轮迭代结束[9]，然后进行下一轮迭代，最终计算出最优路径。
8.根据权利1所述模拟煤矿井下寻优时将蚂蚁演变为搜寻者，利用栅格法建立环境模型来模拟发生矿难后煤矿井下的工作环境，采用matlab仿真软件，分别仿真基于蚁群算法和模拟退火蚁群算法的路径规划，通过搜寻者间的相互作用、相互协作,避开所有障碍物,最终分别找到找到一条从其实点到目标点的最优路径的过程。最后得到仿真结果证明模拟退火蚁群算法的优越性。